Le laboratoire Meta Superintelligence Labs a présenté le 9 novembre 2026 Muse Ember, le plus petit et le moins cher de ses modèles. Meta le décrit comme conçu pour « le travail que les agents répètent toute la journée » : appels d’outils, sous-tâches de programmation, aiguillage des demandes, extraction d’informations et analyse de longs documents.

Ce que dit la fiche

  • Prix : 0,10 dollar par million de tokens en entrée et 0,50 dollar en sortie, pour des requêtes jusqu’à 200 000 tokens (0,30 et 1,50 dollar au-delà).
  • Capacité : une fenêtre de contexte d’un million de tokens et jusqu’à 512 000 tokens en sortie.
  • Multimodal : le modèle lit le texte, les images, l’audio et la vidéo. Un agent peut ainsi traiter captures d’écran, documents scannés, mémos vocaux ou enregistrements de réunion sans modèle séparé.
  • Disponibilité : sur la Meta Model API et Muse Code sous le nom muse-ember-1.0. Meta indique que ses modèles Muse sont aussi proposés sur Google Cloud et Oracle Cloud.

Le « grand modèle planifie, le petit exécute »

Meta présente Ember comme un complément de son modèle le plus puissant, Muse Wonder : « Muse Wonder planifie, Muse Ember gère le volume ». TechCrunch donne l’exemple d’un agent de service client : un grand modèle fixe les règles de traitement d’un problème, puis un modèle léger les applique à des dizaines de milliers de dossiers. C’est une architecture de plus en plus courante, qui permet de réduire fortement le coût d’un agent qui tourne en continu.

Des comparaisons à prendre avec recul

Meta affirme qu’Ember offre plus « d’intelligence par dollar » que Claude Haiku 5.5 et GPT-6 Luna, en s’appuyant sur l’indice d’Artificial Analysis et sur ses propres évaluations internes. Le tableau publié n’est pas uniformément favorable : sur le test de programmation FrontierCode 2.0, Ember fait moins bien que Claude Haiku 5.5. Ces résultats viennent de l’éditeur et de son partenaire d’évaluation ; ils n’ont pas encore été confirmés par des usages indépendants.

Pourquoi c’est intéressant

Pour une petite structure qui automatise des tâches répétitives (tri de documents, extraction de factures, réponses de premier niveau), le coût par tâche compte souvent plus que la performance maximale. L’arrivée d’un modèle léger de plus chez un grand acteur confirme la tendance : les agents du quotidien reposeront de plus en plus sur des petits modèles spécialisés, supervisés par un grand modèle et, pour les actions sensibles, par un humain.